深度广泛学习网络模型用于精确识别和诊断葡萄叶病
Weimin Zhang1,2, Yangyang Liu1,3, Ya Feng1,4
1School of Mechanical Engineering, Anhui University of Technology, Ma'anshan, China.
Frontiers in plant science
|September 29, 2025
概括
一个新的深度广泛学习网络模型 (ABLSS) 准确地识别葡萄叶病,提高检测速度和准确性. 这种先进的模型通过结合深度学习和广泛学习来提高智能果园技术,以有效诊断疾病.
科学领域:
- 农业技术 农业技术
- 计算机科学 计算机科学
- 植物病理学 植物病理学
背景情况:
- 葡萄叶病的鉴定对于作物产量和质量至关重要.
- 现有的方法难以进行快速,准确的诊断,特别是对于微妙或小的疾病斑点.
- 农业越来越需要高效,准确的自动化疾病检测系统.
研究的目的:
- 开发一种先进的模型,以快速,准确,高效地识别和诊断葡萄叶病.
- 通过整合深度学习和广泛学习技术,提高疾病检测的准确性和效率.
- 为了提高对葡萄叶上的小和不规则的疾病特征的识别.
主要方法:
- 提出了深度广泛学习网络模型 (ABLSS),将广泛学习 (BLS) 与深度学习相结合.
- 使用Adam算法对模型进行了优化,并将LTM机制纳入增强学习.
- 集成了SENet注意力机制和U-Net细分与扩展空间金字塔聚合和特征金字塔网络.
主要成果:
- 与BLS和标准深度学习网络相比,ABLSS模型实现了葡萄叶病的更高的识别精度 (分别提高了7.69%和4.48%).
- 细分组件实现了86.61%的全国平均交叉点 (MIOU) 和90.23%的平均像素精度 (MPA),超过了原来的U-Net模型.
- 在深度学习网络上,ABLSS模型显示了72.12%的显著速度改进 (0.375秒更快的识别).
结论:
- 该ABLSS模型有效地将深度学习的高精度与广泛学习的处理速度相结合.
- 提出的方法显著提高了复杂和小疾病特征的识别,克服了现有模型的局限性.
- 这项研究为开发智能果园技术和优化农业学习网络模型提供了宝贵的工具.
